TensorFlow 安装与 GPU 驱动兼容（h800）

• 环境说明
• TensorFlow 安装与 GPU 驱动兼容
• CUDA/H800 特殊注意事项
• PyCharm 和终端环境变量设置方法
• 测试 GPU 是否可用的 Python 脚本

---

# 使用 TensorFlow 2.13 在 NVIDIA H800 上启用 GPU 加速完整指南在使用 TensorFlow 进行深度学习训练时，充分利用 GPU 能力至关重要。本文记录了在 Linux 环境下使用 TensorFlow 2.13 搭配 NVIDIA H800 GPU 的完整过程，包括常见问题处理和 PyCharm/终端环境设置。---## 📌 系统环境- 操作系统：Ubuntu 20.04
- Python：3.8（Anaconda 环境）
- TensorFlow：2.13.1
- CUDA 驱动：11.8（支持 H800）
- GPU：NVIDIA H800（三卡）---## ✅ TensorFlow 与 CUDA 驱动兼容性TensorFlow 2.13 支持的 CUDA 和 cuDNN 版本如下：| 组件         | 版本       |
|--------------|------------|
| CUDA         | 11.8       |
| cuDNN        | 8.6        |
| NVIDIA Driver | >= 525.x   |确保 CUDA 驱动已正确安装（例如 `/usr/local/cuda-11.8/`），并且 `nvidia-smi` 命令能正确输出 GPU 信息。---## 📥 安装 TensorFlow（GPU 支持）建议使用 `pip` 安装 TensorFlow（不建议 `conda install tensorflow`，会拉取 CPU 版本）：```bash
pip install tensorflow==2.13.1

安装完毕后验证：

python -c "import tensorflow as tf; print(tf.__version__)"

---

🧪 GPU 可用性验证脚本

创建一个脚本 verify_tf_gpu.py：

import os
import tensorflow as tf
import time# 打印当前 LD_LIBRARY_PATH
print("LD_LIBRARY_PATH at runtime:", os.environ.get("LD_LIBRARY_PATH", ""))# 设置 memory growth，避免多 GPU 时报错
gpus = tf.config.list_physical_devices('GPU')
if gpus:try:for gpu in gpus:tf.config.experimental.set_memory_growth(gpu, True)except RuntimeError as e:print("Error setting memory growth:", e)print("TensorFlow version:", tf.__version__)
print("GPU devices detected:")
for gpu in gpus:print(f"  {gpu}")if not gpus:print("❌ No GPU detected. TensorFlow is running on CPU.")exit(1)print("✅ GPUs detected. Running a test computation...")# 测试矩阵乘法
start = time.time()
a = tf.random.normal([1000, 1000])
b = tf.random.normal([1000, 1000])
product = tf.matmul(a, b)
_ = product.numpy()
elapsed = time.time() - startprint("Matrix multiplication complete.")
print(f"Elapsed time: {elapsed:.2f} seconds")
print("✅ TensorFlow successfully used the GPU.")

---

🛠 环境变量设置

✅ 终端环境设置

在 .bashrc 或 .zshrc 中添加以下内容：

export LD_LIBRARY_PATH=/home/your_user/anaconda3/envs/your_env/lib:/usr/lib64:/usr/lib:/lib64:/lib

使其生效：

source ~/.bashrc

或者在运行脚本前临时设置：

LD_LIBRARY_PATH=/home/your_user/anaconda3/envs/your_env/lib:$LD_LIBRARY_PATH python verify_tf_gpu.py

---

✅ PyCharm 环境变量设置

1. 打开 Run > Edit Configurations

2. 选择你的运行配置（或创建新配置）

3. 设置环境变量：

   LD_LIBRARY_PATH=/home/your_user/anaconda3/envs/your_env/lib:/usr/lib64:/usr/lib:/lib64:/lib
   PYTHONUNBUFFERED=1
   

---

🧯 遇到的问题及解决方案

❗ 错误：Cannot dlopen some GPU libraries

这是因为 LD_LIBRARY_PATH 未正确设置，导致 TensorFlow 找不到 CUDA 动态库。

✔ 解决：确保 CUDA 库所在路径加到 LD_LIBRARY_PATH。

---

❗ 错误：ValueError: Memory growth cannot differ between GPU devices

✔ 原因：只对部分 GPU 设置了 memory growth。

✔ 解决：确保对所有 GPU 执行：

for gpu in tf.config.list_physical_devices('GPU'):tf.config.experimental.set_memory_growth(gpu, True)

---

🔚 结语

TensorFlow 在高性能 GPU（如 NVIDIA H800）上运行时，环境配置需格外小心。环境变量设置、驱动兼容、memory growth 的统一设置，都是关键环节。希望本文能帮你顺利开启 GPU 加速之旅 🚀。